语音超分

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

LavaSR 把 8-48 kHz 输入先重采样到 48 kHz 再用 Vocos 式生成器补高频并用平滑交叉精修拼接，在 VCTK 上以 0.85 的 8→48 kHz 对数谱距离持平强基线，代价是相位精细度略逊于双分支结构但 CPU 与 GPU 吞吐高出一个数量级以上。

STSR 把超分放在 MDCT 域用分层谱注意力建长程谐波、用稀疏感知损失保瞬态、用只看高频的混合判别器加压，VCTK 平均 LSD 做到 0.79 且参数仅 66.2M，代价是仍依赖受控语料与重采样评估。

针对冻结且结构失配的编码器与解码器无法直接互通的问题，BridgeCodec 用薛定谔桥学习源潜变量到目标潜变量的最优传输并以 Mamba 增强 U-Net 建模长时依赖，在 8 kHz、1 kbps 输入到 48 kHz 重建的极端条件下把 STOI 从 0.23 提升到 0.88、SIM 提升到 0.96，代价是高频生成内容使 WER 略升至 2.11 …

针对耳戴设备模数转换器功耗高的问题，CAPS 把采样降到 4 kHz 与 8 比特等次奈奎斯特条件以省电，再在手机端用频谱增强、上采样与幅相增强级联重建宽带语音，直接报告在 Pixel7 上 55.11 ms 推理与约 3.31 倍耳端省电，代价是手机端约 1.15 W 的恢复功耗与未评估加密和编码的影响。

针对窄带语音缺失高频的问题，HWB-plus 用双路加权高斯混合分别建模周期与非周期成分并引入梅尔尺度初始化，在保持 194K 参数和 12.39M MACs/s 量级开销下报告了 DNSMOS P.808 达到 3.55 与 PESQ 达到 3.83 的感知质量提升，代价是 LSD 未取得最低且高采样与特定滤波构造下的结论边界需要复核。

针对穿玻璃墙采集的 -5 dB 到 -1 dB 带限毫米波雷达语音，本文用预训练学带宽扩展加微调学抗噪的两阶段 RAD-GAN 实现 1 kHz 到 4 kHz 重建，最强证据是加权分 0.333 超过 WaveVoiceNet 的 0.260 和 HiFi-GAN 的 0.288，代价是 87,000,536 参数与两阶段共约 20 小时单卡训练。

针对带噪低分辨率输入的噪声鲁棒带宽扩展问题，VeRe-Flow 在流匹配骨干上同时引入速度对比正则和中间表示对齐，并在 Valentini-Botinhao 带噪测试集上报告了生成式基线中最低的频谱距离和最高的整体感知分数，其代价是需要配对干净高分辨率监督与冻结的噪声鲁棒自监督特征。

针对穿混凝土墙雷达语音带限与杂波干扰问题，论文提出逐层扩频的 CAF-Former，先用共享键值的多查询时间注意力守住低频时序，再用频率注意力融合引导高频恢复，在仿真与实测上 STOI、DNSMOS 和 CS-MFCC 最优，代价是仿真 PESQ 略低于 EBENet 与 TF-Locoformer 且参数量为 2.726M。

针对 1 或 2 kHz 到 16 kHz 的极端语音超分，P2Flow 用音素后验引导缺失高频包络、用 3 段渐进恢复 0-2、2-4、4-8 kHz 速度场并对声码器做后训练，在 TIMIT 与 VCTK 上报告了谱失真、感知质量与可懂度同步改善，代价是 3 阶段流水线与额外分类器依赖。

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

CIS-BWE 针对带限语音缺失高频的问题，用双流 ConformerNeXt 生成器并行恢复幅度和相位，再用李雅普诺夫与去趋势涨落两类混沌判别器约束非线性动态，在 VCTK 与 MLS 上以约一半生成参数取得更优感知质量，代价是训练期李雅普诺夫特征计算使单轮训练时间明显增加。

StreamWSR 把低采样语音先上采样再用全因果波形网络预测残差补高频，在 VCTK 三种带宽扩展设置下以 9M 参数和 2G FLOPs 达到与非流式基线相当的失真与可懂度，并用消融证明了帧级压缩与频谱判别器的作用。

语音超分 | 5.9/10

语音增强 | 7.1/10